Привет, Хабр! Первая моя первая прикладная статья с конкретным опытом по проекту.

TL;DR: Собрал систему на Python + LLM, которая парсит Telegram-чаты, находит людей с конкретными болями и генерирует персонализированные сообщения для аутрича. 7 чатов по 1000 сообщений — стоимость анализа $0.11.

1. Проблема одного канал продаж

Два года я зарабатываю на фрилансе — делаю Telegram-ботов, Mini Apps и автоматизации для бизнеса. За это время вырос с 40 до 270 тысяч в месяц. Неплохо, но была проблема, которая не давала масштабироваться.

Все заказы приходили с одной фриланс площадки.

Это работало, пока работало. Но возникали независящие от меня проблемы - у клиентов замораживались счета или откладывались проекты — я оставался без денег и без понимания, где брать новых заказчиков. Конечно, тут есть мои ошибки - например не защитил себя от подобных рисков договорами/контрактами. Классическая зависимость от одного канала.

Я пробовал диверсифицироваться:

Fiverr — 4 gig, ноль откликов за полгода (только мошенники писали). Хотя даже заграничную симку приобрел для регистрации. Там неадекватная конкуренция с индусами и пакистанцами.
Telegram-канал — 9 подписчиков (привет, мама. а не, мамы даже там нет)

Проблема была системной: мне нужен стабильный поток лидов, которых можно обрабатывать, передавать стажёрам, масштабировать. Конечно можно начать руками искать по чатам и каналам народ с болью, однако - ручной поиск в чатах — не масштабируется.

2. Идея: автоматизировать то, что делаю руками

Я и раньше находил клиентов в Telegram‑чатах. Заходил в чаты селлеров, логистов, инфобиз. Искал сообщения типа «посоветуйте бота для...» или «как автоматизировать...».
Но это занимало часы, это реально нужно анализировать, думать, вчитываться, смотреть что за пользователь - было непредсказуемо и не масштабировалось.

Я играл в Factorio - и оттуда вновь вдохновился идеей тотальной автоматизации. В игре ты не таскаешь руду руками - строишь конвейеры, которые делают это за тебя. Потом автоматизируешь производство конвейеров. Потом - производство фабрик, которые производят уже сами конвейеры :-)

В разработке я стараюсь делать то же самое. Автоматизирую документацию, скиллы для LLM, пайплайны контейнеров, деплой. Поэтому - каждый повторяющийся шаг - отличный кандидат на автоматизацию!

И тогда пришла такая мысль: а почему бы не автоматизировать основной входящий ресурс - потенциальных заказчиков?
Нужен был конвейер.

Так родилась концепция Lead Finder.

3. Архитектура v1: Web Search (спойлер: не сработало)

Первая идея была очевидной (ну для меня...):

[Описание ниши: "селлеры wildberries"]
↓
[GPT + Web Search ищет Telegram-каналы]
↓
[Telethon парсит найденные каналы]
↓
[GPT квалифицирует: это владелец бизнеса? активен? есть боли?]
↓
[Карточка лида с контактом и готовым сообщением]

Посидел, помыслил как я это хочу видеть - ТЗ на 442 строчки. Расписал каждый модуль. Закинул в Claude Code, и спустя день итераций получил кое какой MVP.

Результат первого запуска

Входная ниша: "селлеры wildberries"
Сгенерировано запросов: 5
Найдено каналов: 2
Успешно распарсено: 1
Квалифицировано: 0

Ноль лидов.

Почему не сработало

Web Search находил статьи ПРО каналы ("Топ-10 каналов для селлеров"), а не сами каналы. Google плохо индексирует Telegram и весь его контент. Ну а личные каналы мелких предпринимателей вообще не в поиске - у них там 500 подписчиков...
Можно было бы интегрировать TGStat API, но это усложнение, траты на стадии MVP. Да и главно: даже если найти канал, это ещё не лид с болью. Это просто канал. Поэтому нуно было придумать альтернативу такому поиску.

4. Архитектура v2: Парсинг участников чатов

Тут вспомнил - ведь в начальном ручном методе поиска лидов работа в основном была не с каналами а с Чатами! Поиск по их содержанию, по участникам чата - для самой простой ниши (селлеры маркетплейсов) - это иногда по 10к участников и тысячи сообщений за короткий срез времени.

Короче, мысль: один чат = сотни потенциальных лидов.
Поэтому решил переписать архитектуру:

[Список seed-чатов: @marketplace_pro, @wb_sellers, ...]
↓
[Парсинг 1000 сообщений → кто что писал]
↓
[Фильтрация по времени: только последние 10 дней]
↓
[LLM ищет болевые сообщения в пачке]
↓
[Квалификация авторов болевых сообщений]
↓
[Карточки лидов со ссылками на оригинальные сообщения]

Что изменилось концептуально

v1	v2
Ищем каналы через интернет	Парсим людей из известных чатов
Надеемся найти владельца бизнеса	Видим реальные сообщения с болями
Холодный контакт в личку	Можем ответить на конкретное сообщение в чате
Масштаб: единицы каналов	Масштаб: сотни участников

Результат

7 чатов по 1000 сообщений. Стоимость анализа — $0.11. На выходе — список людей с конкретными болями, которые они сами написали за последние 10 дней.

5. Как выглядит результат

Карточка лида в Markdown-отчёте:

## Лид #1 — Оценка: 4/5

**Контакт:** @maxsmek
**Канал:** @max_seller_wb (1,240 подписчиков)

### Бизнес

Селлер Wildberries, ниша — товары для дома.
Судя по каналу, оборот 2-5 млн/мес. Ведёт канал сам, делится опытом.

### 💬 Болевые сообщения

🔥 **[2 дня назад]** в @marketplace_pro:

"Подскажите тг бота чтобы отслеживать остатки фактические
по складам... хоть как-нибудь, даже косвенно, чтобы успевать"

[Открыть сообщение →](https://t.me/marketplace_pro/8934)

**[5 дней назад]** в @wb_sellers:

"Кто автоматизировал ответы на отзывы? Трачу по 2 часа в день"

[Открыть сообщение →](https://t.me/wb_sellers/12847)

### Что предложить

Telegram-бот для мониторинга остатков по складам WB
с алертами при падении ниже порога.

### Готовое сообщение

"Макс, привет! Видел твой вопрос в чате про отслеживание
остатков по складам. Делаем как раз такие боты — мониторинг
в реальном времени + уведомления. Показать как работает?"

Ключевая фича — ссылки на сообщения

По итогу можно кликнуть на ссылку, перейти в чат и ответить прямо на вопрос человека. Это уже не холодный спам, а релевантный ответ на его публичный запрос. Так намного безопаснее, можно не так париться за блок аккаунта. Хотя все равно я создал отдельный для данного дела.
Конверсия второго варианта выше на порядок. Ну, по идее — на практике пока только 1 из 6 ответил нормально, остальные просто проигнорили. Но хотя бы не пожаловались)

6. Технические детали

Стек

Python 3.11 — основа
Telethon — Telegram API для парсинга
gpt-5.1 — для квалификации (через CometAPI — прокси-площадка, доступная в России)
Docker — для изоляции и Telegram-сессий
Claude Code — для разработки (раньше сидел на Cursor, но понял что каждый раз в восторге когда выбираю Claude - поэтому переехал полностью)

Как основная IDE — NeoVim, привык со времён Arch (сейчас на Mac переехал). Cursor иногда использую, но только для быстрого чтения и редактирования файлов.

Почему gpt-5.1 через CometAPI

Для квалификации использую gpt-5.1 через CometAPI — это прокси для OpenAI API, доступный в России. Оптимально по соотношению цена/качество. Сначала ехал на gpt-4.1 - но посмотрел что input у обеих моделей одинаковый, output у 5.1 дороже - но он меня не интересует - мне надо именно загружать в него большое количество сообщений для анализа. Пробовал Claude Sonnet — дороже при сопоставимом качестве для этой задачи. Экономия на масштабе ощутимая.
ЭТО НЕ РЕКЛАМА!

Telethon и авторизация

Как уже говорил - для Telethon использую дополнительный аккаунт - с него же потом и пишу лидам.
Сначала хотел сделать бота более общедоступным - авторизацию Telethon пропустить через самого бота. Но Telegram заметил подмену и запретил так делать. Поэтому пока использую только для себя - код ввожу в терминале вручную при создании файла сессии.
Сессии храню просто: локальный файл, который Docker забирает себе. Создаётся изолированно при помощи отдельного скрипта вне контейнера.

Логика обработки сообщений

Берём 1000 сообщений из чата
Отсекаем всё старше 10 дней
Отправляем пачку в LLM для поиска болевых сообщений
Запоминаем авторов болевых сообщений
Квалифицируем каждого автора отдельно

Люди без личного канала тоже анализируются - просто у них ниже оценка, меньше гарантий что это реально владелец бизнеса. Не отсекаю сразу.

Система оценок

Изначально делал 0-10, потом упростил до 0-5. Где 1 — уже потенциальный лид, но я работаю с оценкой от 2. Так проще фильтровать и меньше шума.

Web Search для обогащения

Изначально добавил поиск упоминаний в сети — username + ниша, имя + "отзывы". Но честно — пока не заметил конкретного буста в качестве квалификации. Траты есть, а выхлопа особого нет. Держу отключённым, может потом докручу.

Защита от бана

Telegram банит за агрессивный парсинг. Реализовал три режима:

Режим	Задержка между чатами	Между запросами
fast	15-30 сек	1-2 сек
normal	30-60 сек	2-3 сек
careful	60-120 сек	3-5 сек

Плюс:

Рандомизация всех интервалов (не ровно 3 сек, а 2.3-3.7)
Лимит чатов за сессию
Обработка FloodWaitError — ждём сколько сказали + буфер

За месяц использования — ни одного бана.

Структура проекта (v2)

lead_finder/
├── config.py # Конфигурация и режимы безопасности
├── modules/ # Core-логика (используется и CLI, и ботом)
│ ├── input_handler.py # Валидация входных данных
│ ├── members_parser.py # Парсинг участников чатов
│ ├── qualifier.py # LLM квалификация
│ ├── output.py # Форматирование результатов
│ └── enrichment/
│ ├── telegram.py # Парсинг каналов лидов
│ └── web_search.py # Обогащение через поиск
├── bot/ # Telegram-бот (v3, добавлен позже)
│ ├── main.py # Точка входа бота
│ ├── handlers/ # Обработчики команд и кнопок
│ ├── models/ # SQLAlchemy модели
│ ├── services/ # Бизнес-логика (runner, scheduler)
│ └── ui/ # Форматирование сообщений
├── generate_session.py # Создание Telethon сессии
└── docker-compose.yml

7. Грабли и факапы

v1 с Web Search — главный провал

Потратил день на начальную архитектуру, которая не взлетела. Но это нормально - быстрые итерации важнее идеального плана. Переделал за день.

Claude Code уходит не туда

Конечно, это происходит постоянно. Самая частая проблема - забываешь прописать в инструкции, что нельзя трогать старый функционал. Начинает улучшать старые функции, которые работали. Откатываю через git, добавляю ограничение в промпт, еду дальше.

Ложноположительные

Система дала 4/5, а человек оказался не тем - конечно бывает. Поэтому читаю карточки внимательно, а не спамлю всем подряд. LLM квалифицирует, но финальное решение — моё.

Авторизация через бота

Хотел красиво — чтобы пользователь авторизовывался прямо в боте. Telegram такое не пропустил. Пришлось откатиться к ручному вводу кода в терминале. Не масштабируется, но работает для личного использования.

8. Честные цифры

v2 (CLI)

Метрика	Значение
Время разработки v2	~8 часов чистого времени
Строк кода (core модули)	~1000 сток мы выдал Claude
Стоимость анализа 7 чатов	$0.11

v3 (Telegram-бот)

Метрика	Значение
Время разработки v3	~1 неделя (поверх v2)
Строк кода (бот + БД)	~1500 дополнительно
Стек	aiogram 3.x, SQLAlchemy, APScheduler, PostgreSQL

Использование

Метрика	Значение
Seed-чатов в базе	~30 (5 категорий по 4-8 чатов)
Активных программ в боте	3 (селлеры, edtech, smm)
Написал лидам	6
Ответили	1 (сказал "если потребуется — напишет")
Конверсия в заказ	пока 0, но и выборка маленькая

Категории чатов: маркетплейсы, предприниматели, edtech, smm, риэлторы.
Честно — конверсия пока не впечатляет. Но система работает меньше месяца, выборка маленькая. Главное — процесс автоматизирован, я трачу минуты вместо часов на поиск.

9. v3: Telegram-бот (реализовано после CLI)

После того как CLI-версия заработала, захотелось полной автоматизации. Тратить время на ручные запуски — не масштабируется.
За следующие несколько дней собрал полноценный Telegram-бот на aiogram 3.x.

Что получилось

Программы поиска — сохранённые конфигурации:

Название + ниша ("Селлеры WB", "Инфобизнес")
Список чатов для парсинга
Настройки (min_score, max_leads, обогащение)
Расписание автозапуска

Автозапуск по расписанию:

APScheduler интегрирован в бота
Каждая программа запускается в своё время
После завершения — бот присылает уведомление с результатами

Дедупликация:

SQLAlchemy + PostgreSQL
Лиды с одним username не дублируются
История сохраняется, можно вернуться к старым

Интерфейс через inline-кнопки:

Никаких команд — только кнопки
Создание программы — пошаговый диалог (FSM)
Карточки лидов приходят прямо в бот

Пример работы

Утром в 09:00:

🔔 Автозапуск завершён

📁 Селлеры WB
⏰ Запуск в 09:00

📊 Результаты:

• Новых лидов: 5

[👀 Посмотреть лидов]

Нажимаю кнопку — получаю карточки:

🎯 Лид #1 из 5

Программа: Селлеры WB

━━━━━━━━━━━━━

👤 @username

⭐ Оценка: 4/5

  
💼 Бизнес: Селлер на WB...

😤 Боли: Теряет заявки между Excel и мессенджерами

💡 Что предложить: Бот для сбора заявок...


📝 Сообщение для @username:

━━━━━━━━━━━━━

Привет! Видел твой вопрос про потерю заявок.
У нас есть готовое решение...

[⏭ Следующий лид]

Стек бота

aiogram 3.5 — асинхронный фреймворк для Telegram
SQLAlchemy 2.0 — ORM для БД
PostgreSQL — основная база (на продакшене), SQLite для локальной разработки
APScheduler — планировщик задач
Docker — всё работает в контейнере

Что изменилось архитектурно

CLI-модули (members_parser, qualifier, enrichment) стали библиотекой — бот их импортирует и использует как есть. Не пришлось переписывать логику.
Разделение на CLI и бот позволило оставить оба интерфейса:

CLI — для отладки, тестов, ручных прогонов
Бот — для ежедневного использования

Грабли с ботом

APScheduler и asyncio:

Scheduler хотел синхронные job-функции, а весь код — async. Решение: обернул async-функции в asyncio.create_task().

База заблокирована (SQLite):

Несколько одновременных запусов программ — database locked. Перешёл на PostgreSQL для проды, проблема ушла.

FSM состояния терялись:

Использовал MemoryStorage — при перезапуске бота состояния сбрасывались. Для продакшена можно RedisStorage, но пока живу с этим.

Ошибка .get() на None:

LLM иногда возвращал product_idea: None вместо {}. Код падал с AttributeError. Исправил все места на .get(key) or {} вместо .get(key, {}).

10. Что дальше

v3 работает, но есть что улучшить:

Следующие шаги:

Парсинг комментариев в каналах (сейчас только чаты)
Мониторинг новых сообщений в чатах в реальном времени
Скраппинг фриланс-площадок - Kwork, FL.ru
A/B тестирование сообщений аутрича

Про сервис для других:

Хотелось бы открыть как сервис. Проблема - авторизация Telethon. Каждому пользователю нужна своя сессия, а Telegram не пропускает автоматизацию через ботов. Варианты:

Генерировать сессию вручную для каждого (не масштабируется)
Использовать Telegram Login Widget (пока не разобрался как подружить с Telethon)
Ограничиться self-hosted версией с инструкцией

Пока использую только для себя. Если у кого есть идеи — пишите

Реальный пример сообщений

🎯 Лид #14 из ??

Программа: Маркетплейсы

👤 @скроююзернейм
⭐ Оценка: 2/5

💭 С высокой вероятностью владелец или самостоятельно управляющий продавец на 
маркетплейсах. Есть явный запрос: отслеживать отзывы по кластерам на Ozon и WB.
Боль формулируется как вопрос, без деталей объёма и последствий, 
поэтому глубина боли и формат решения пока неочевидны. Потенциально можно 
закрыть задачей по сбору и структурированию отзывов через парсер и дашборд
но нужно уточнение, что именно она хочет видеть под «кластерами».

💼 Бизнес:

Селлер на маркетплейсах Ozon и Wildberries (Малый бизнес)

😤 Боли:

• «Подскажите, можно ли через какие либо программы отследить отзывы по 
кластерам ? На озон и вб»

💡 Что предложить:

Сервис/скрипт-парсер отзывов с Ozon и Wildberries с кластеризацией по темам и 
визуализацией в дашборде

✅ Решает: Автоматический сбор и группировка отзывов по темам вместо ручного 
просмотра, что позволяет быстрее видеть типовые проблемы и запросы покупателей

💰 Ценность: Экономия времени на ручной разбор отзывов, возможность оперативно 
видеть повторяющиеся проблемы и улучшать карточки/продукт по данным


📝 Сообщение для @тутимяпользователя:

ИМЯ, вы спрашивали в чате, можно ли отслеживать отзывы по кластерам на Ozon и 
WB. Это как раз можно сделать через парсер + небольшой дашборд: отзывы 
автоматически подтягиваются и группируются по темам (качество, доставка, 
размер и т.п.). Если интересно, могу показать, как это технически реализуется 
и что вы сможете видеть в отчётах, а вы поймёте, подходит ли это под ваши 
задачи.

11. Выводы

1. Автоматизируй свои процессы, а не только клиентские.

Вместо очередного бота для заказчика потратил 15 часов (8 на CLI + 7 на бот) на инструмент, который приносит заказчиков. ROI потенциально бесконечный.

2. LLM-first разработка работает.

Я не написал ни строчки кода руками - всё через Claude Code. От идеи до работающего MVP за 8 часов. От CLI до полноценног бота с БД и работы п расписанию - ещё неделя. Всем рекомендую! Кто читал мои прошлые статьи — знает методологию.

3. Провалы — часть процесса.

v1 с Web Search не сработала. Вместо того чтобы упираться, переделал архитектуру. v2 взлетела. Быстрые итерации важнее идеального плана. Провал — это информация, не приговор.

4. Документация — это контекст.

Каждую версию начинал с детального ТЗ. Это позволяло передавать контекст между сессиями Claude и не терять фокус. ТЗ - это не бюрократия, это инструмент мышления. Особенно критично когда разрабатываешь с LLM. Фиксирую все ошибки, в отдельные ISSUES.md, каждая новая фича - новая документация, которая не должна конфликтовать с текущей реализаций. Каждый успешный запуск нового этапа - RESULT.md в котоом задокументирован пруф успеха.

5. Модульная архитектура окупается.

CLI-модули стали библиотекой для бота без переписывания. Разделение интерфейса (CLI/bot) и логики (парсинг/квалификация) позволило эволюционировать систему без заметных проблем (на возможно есть незаметные).

Если интересна методология LLM-разработки — в прошлой статье подробно разобрал работу с документацией, TDD и управление контекстом. А еще нагло тут прицеплю ссылку на канал нашей команды.

Готов к гнилым помидорам. Как показывает практика — это только добавляет просмотров)

Сделал бота для автоматизации поиска лидов